Wie eine einfache Datenanalyse Ihre Daten zum Laufen bringen kann, bevor Sie für ML bereit sind

Schließen Sie sich vom 26. bis 28. Juli der Transform AI und der Edge Week an. Hören Sie hochrangige Führungskräfte, die Themen rund um AL/ML-Technologie, Konversations-KI, IVA, NLP, Edge und mehr diskutieren. Buchen Sie jetzt Ihren kostenlosen Pass!

Daten sind zum neuen heiligen Gral für Unternehmen geworden. Von jungen Startups bis hin zu jahrzehntealten Giganten sammeln Unternehmen aus allen Branchen große Mengen an strukturierten, halbstrukturierten und unstrukturierten Informationen (oder hoffen, sie zu sammeln), um ihre Kernangebote zu verbessern und die betriebliche Effizienz zu verbessern. .

Die Idee, die sofort aufkommt, ist die Implementierung von maschinellem Lernen, aber nicht jede Organisation hat sofort den Plan oder die Ressourcen für mobile Daten.

"Wir leben in einer Zeit, in der Unternehmen nur Daten sammeln, unabhängig vom Anwendungsfall oder was sie damit machen. Und das ist aufregend, aber auch ein bisschen beängstigend, weil die Menge der gesammelten Daten, und wie sie gesammelt werden, erfolgt nicht unbedingt immer unter Berücksichtigung eines Anwendungsfalls“, sagte Ameen Kazerouni, Director of Data and Analytics bei Orangetheory Fitness, während einer Sitzung auf der Transform 2022-Konferenz von VentureBeat.

klein anfangen

Das Problem ist ein großes Hindernis für datengesteuertes Wachstum, aber laut Kazerouni müssen Unternehmen nicht immer tief schwimmen und von Anfang an stark in KI und ML investieren. Stattdessen können sie einfach mit grundlegenden Datenpraktiken klein anfangen und dann skalieren.

Vorfall

Transformation 2022

Melden Sie sich jetzt an, um Ihren kostenlosen virtuellen Pass für die Transform AI Week vom 26. bis 28. Juli zu erhalten. Hören Sie von den KI- und Datenführern von Visa, Lowe's eBay, Credit Karma, Kaiser, Honeywell, Google, Nissan, Toyota, John Deere und mehr.

hier registrieren

Die Führungskraft, die zuvor die KI-Bemühungen bei Zappos leitete, sagte, dass eine der ersten Initiativen angesichts riesiger Datenmengen darin bestehen sollte, eine standardisierte, gemeinsame Sprache für die Diskussion der gesammelten Informationen zu schaffen. Dies ist wichtig, um sicherzustellen, dass der aus den Daten abgeleitete Wert für alle Beteiligten gleich ist.

"Ich denke, dass viele CEOs, COOs und CFOs von Unternehmen, die große Datenmengen gesammelt haben, auf dieses Problem stoßen, bei dem alle denselben Namen für Metriken verwenden, der Wert jedoch je nach Datenquelle, aus der sie stammen, unterschiedlich ist . Und das sollte fast nie der Fall sein“, bemerkte er.

Sobald die gemeinsame Sprache bereit ist, besteht der nächste Schritt darin, sich mit Führungskräften in Verbindung zu setzen, um sich wiederholende und zeitaufwändige Prozesse zu identifizieren, die von Domänenexperten bearbeitet werden, die andernfalls bei dringenderen Datenproblemen helfen könnten. Laut Kazerouni sollten diese Prozesse vereinfacht oder automatisiert werden, wodurch Daten demokratisiert und den Interessengruppen für eine fundiertere Entscheidungsfindung zur Verfügung gestellt werden.

"In diesem Fall werden Sie sofort die Vorteile Ihrer Daten erkennen (und sich mit den größeren Problemen befassen), ohne große Technologieinvestitionen im Voraus tätigen zu müssen oder zu sagen, hey, lass uns etwas finden, mit dem wir maschinelles Lernen umdrehen können weitermachen und von dort aus rückwärts arbeiten“, sagte der Geschäftsführer.

Zentralisierter Sternansatz

Für beste Ergebnisse wies Kazerouni darauf hin, dass Start-ups, die nicht technisch versiert sind, sich auf einen Hub-and-Spoke-Ansatz konzentrieren sollten, anstatt zu versuchen, alles intern aufzubauen. Sie müssen sich nur auf ein Unterscheidungsmerkmal konzentrieren und Marktlösungen nutzen, um die Technologie zu erhalten, die für die Erledigung der Aufgabe erforderlich ist.

"Ich denke jedoch auch, dass es wichtig ist, die Daten von diesem Anbieter zu nehmen und sie intern zu einem zentralen Hub oder Data Lake zu verschieben, der die Daten tatsächlich an dem Punkt verwendet, an dem sie generiert wurden . für. Und wenn Sie diese Daten an anderer Stelle nutzen oder mit einem anderen Datenbestand verbinden müssen, bringen Sie sie ins Zentrum ...